論文の概要: LEMON: a foundation model for nuclear morphology in Computational Pathology

• arxiv url: http://arxiv.org/abs/2603.25802v1
• Date: Thu, 26 Mar 2026 18:09:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.225791
• Title: LEMON: a foundation model for nuclear morphology in Computational Pathology
• Title（参考訳）: LEMON:計算病理学における核形態学の基礎モデル
• Authors: Loïc Chadoutaud, Alice Blondel, Hana Feki, Jacqueline Fontugne, Emmanuel Barillot, Thomas Walter,
• Abstract要約: 本稿では,スケーラブルな単一セル画像表現学習のための自己教師型基礎モデルLEMONを紹介する。 多様な組織やがんタイプから何百万もの細胞画像で訓練されたLEMONは、堅牢で汎用的な形態的表現を学ぶ。 LEMONを予測タスクの5つのベンチマークデータセットで評価し,高い性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 1.125921430041183
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Computational pathology relies on effective representation learning to support cancer research and precision medicine. Although self-supervised learning has driven major progress at the patch and whole-slide image levels, representation learning at the single-cell level remains comparatively underexplored, despite its importance for characterizing cell types and cellular phenotypes. We introduce LEMON (Learning Embeddings from Morphology Of Nuclei), a self-supervised foundation model for scalable single-cell image representation learning. Trained on millions of cell images from diverse tissues and cancer types, LEMON learns robust and versatile morphological representations that support large-scale single-cell analyses in pathology. We evaluate LEMON on five benchmark datasets across a range of prediction tasks and show that it provides strong performance, highlighting its potential as a new paradigm for cell-level computational pathology. Model weights are available at https://huggingface.co/aliceblondel/LEMON.
• Abstract（参考訳）: 計算病理学は、がん研究と精密医療を支援する効果的な表現学習に依存している。 自己教師型学習はパッチと全スライディング画像レベルで大きな進歩をもたらしたが、単一細胞レベルでの表現学習は、細胞型や細胞性表現型を特徴づけることの重要性にもかかわらず、比較的過小評価されている。 LEMON(Learning Embeddings from Morphology Of Nuclei)は,スケーラブルな単一セル画像表現学習のための自己教師型基礎モデルである。 LEMONは、様々な組織やがんタイプから何百万もの細胞画像に基づいて、病理学における大規模単細胞解析をサポートする堅牢で多目的な形態的表現を学習する。 LEMONを予測タスクの5つのベンチマークデータセットで評価し、セルレベルの計算病理学の新しいパラダイムとしての可能性を強調した。 モデルウェイトはhttps://huggingface.co/aliceblondel/LEMON.comで入手できる。

関連論文リスト

• Deep Learning for BioImaging: What Are We Learning? [2.1810338565266507]
  顕微鏡画像では、現在の表現学習法が実際に何を学んでいるのかは不明だ。 我々は、未訓練のモデルと細胞組織の単純な構造表現を含む、キュレートされたベンチマーク上で単純で明らかなベースラインのセットを紹介した。 自然画像とは対照的に、既存のモデルは、高レベルで生物学的に意味のある特徴を一貫して取得できない。
  論文  参考訳（メタデータ） (2026-03-10T16:49:09Z)
• Contrastive Learning Enhances Language Model Based Cell Embeddings for Low-Sample Single Cell Transcriptomics [3.7907528918903797]
  大規模言語モデル(LLM)は、自然言語処理や生成、コンピュータビジョン、マルチモーダル学習といった分野にまたがるリッチな表現を生成する能力を示している。 本稿では、単一セルRNAシークエンシング(scRNA-seq)とLLMを統合し、知識インフォームド遺伝子埋め込みを導出する計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-28T00:45:39Z)
• PixCell: A generative foundation model for digital histopathology images [49.00921097924924]
  PixCellは,病理組織学における最初の拡散ベース生成基盤モデルである。 われわれはPanCan-30MでPixCellをトレーニングした。
  論文  参考訳（メタデータ） (2025-06-05T15:14:32Z)
• CytoFM: The first cytology foundation model [3.591868126270513]
  本稿では,デジタル細胞学のための初の自己教師型基礎モデルであるCytoFMを紹介する。 我々はCytoFMをさまざまなデータセットで事前訓練し、堅牢で転送可能な表現を学習する。 以上の結果から,CytoFMは3つの下流課題のうち2つの課題において,病理組織学で事前訓練された既存の基礎モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-04-18T01:37:50Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• VOLTA: an Environment-Aware Contrastive Cell Representation Learning for Histopathology [0.3436781233454516]
  病理組織像における細胞表現学習のための自己組織化フレームワーク(VOLTA)を提案する。 我々は、世界中の複数の機関から収集されたデータに関する広範な実験にモデルを適用した。 提案フレームワークの有効性を明らかにするため, 卵巣癌および子宮内膜癌にVOLTAを応用した。
  論文  参考訳（メタデータ） (2023-03-08T16:35:47Z)
• Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
  局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-24T00:00:07Z)
• Self-Supervised Vision Transformers Learn Visual Concepts in Histopathology [5.164102666113966]
  我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。 我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
  論文  参考訳（メタデータ） (2022-03-01T16:14:41Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。